Aplikasi Klasifikasi Genre Musik Digital Menggunakan Metode Support Vector Machine (SVM) Berbasis Java.

i

ABSTRAK

Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi atau aktivitas yang sedang mereka kerjakan. Sehingga akan sulit untuk menikmati musik jenis tertentu dengan banyaknya koleksi musik digital. Untuk mengatasi masalah ini diperlukan suatu aplikasi yang dapat melakukan klasifikasi musik digital berdasarkan jenis musiknya. Metode yang digunakan untuk melakukan klasifikasi ini adalah pengenalan pola jenis musik menggunakan support vector machine dengan suatu masukan fitur ekstraksi dari musik digital yang telah diketahui jenis musiknya. Proses klasifikasi ini memberikan keluaran suatu daftar putar musik digital berdasarkan jenis musik, sehingga dapat dimainkan pada media pemutar musik digital. Hasil yang telah dicapai yakni aplikasi mampu menerapkan metode support vector machine dengan suatu masukan fitur ekstraksi musik digital dan memberikan keluaran berupa daftar putar musik digital.

Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine,

ABSTRACT

Ease of getting digital music makes many people have a lot of digital music collections. Sometimes many people prefer a genre music based on condition or activity they were doing. So it would be difficult to enjoy a certain kind of music with many digital music collection. This problem can be addressed by an application that can do digital music classification by genre music. The method used to perform this classification is a kind of pattern recognition using support vector machine music with an input feature extraction from digital music which genre has been known. This classification process gives output a digital music playlist based on the genre music, so it can be played on digital music player. Results have been achieved are an application that can apply the method of support vector machine with the input of the features extraction from a digital music and gives it’s output as a digital music playlist.

Keywords : classification, digital music, genre music, support vector machine,

iii

DAFTAR ISI

DAFTAR ISI ... iii

DAFTAR GAMBAR ... vi

DAFTAR TABEL ... viii

DAFTAR SIMBOL ... x

BAB IPENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Pembahasan ... 2

1.4 Batasan Masalah ... 3

1.5 Sistematika Pembahasan ... 3

BAB IILANDASAN TEORI ... 5

2.1 Support Vector Machine (SVM) ... 5

2.1.1 SVM pada Linearly Separable Data ... 5

2.1.2 SVM pada Linearly Inseparable Data ... 7

2.1.3 Algoritma Dekomposisi ... 11

2.1.4 Working Set Selection ... 12

2.1.5 Pengolahanα ... 13

2.1.5 Pengolahan Gradien ... 13

2.1.6 Perhitungan b _atau ρ _{... 14}

2.1.7 Klasifikasi SVM ... 14

2.1.8 Multi Class SVM ... 15

2.2 Ekstraksi Fitur (Feature Extraction) ... 17

BAB IIIANALISIS DAN DISAIN ... 23

3.1 Analisis ... 23

3.2 Gambaran Keseluruhan ... 27

3.2.1 Antarmuka Perangkat Keras ... 27

3.2.2 Antarmuka Perangkat Lunak ... 28

3.2.3.1 Fitur input musik digital untuk pelatihan ... 28

3.2.3.1.1 Tujuan ... 28

3.2.3.1.2 Urutan Stimulus / Respon ... 29

3.2.3.1.3 Persyaratan Fungsional yang Berhubungan ... 29

3.2.3.2 Fitur delete musik digital untuk pelatihan ... 30

3.2.3.2.1 Tujuan ... 30

3.2.3.2.2 Urutan Stimulus / Respon ... 30

3.2.3.2.3 Persyaratan Fungsional yang Berhubungan ... 31

3.2.3.3 Fitur pelatihan terhadap musik digital ... 31

3.2.3.3.1 Tujuan ... 31

3.2.3.3.2 Urutan Stimulus / Respon ... 31

3.2.3.3.3 Persyaratan Fungsional yang Berhubungan ... 33

3.2.3.4 Fitur input musik digital untuk klasifikasi ... 34

3.2.3.4.1 Tujuan ... 34

3.2.3.4.2 Urutan Stimulus / Respon ... 34

3.2.3.4.3 Persyaratan Fungsional yang Berhubungan ... 34

3.2.3.5 Fitur delete musik digital untuk klasifikasi ... 35

3.2.3.5.1 Tujuan ... 35

3.2.3.5.2 Urutan Stimulus / Respon ... 35

3.2.3.5.3 Persyaratan Fungsional yang Berhubungan ... 36

3.2.3.6 Fitur klasifikasi terhadap musik digital ... 36

3.2.3.6.1 Tujuan ... 36

3.2.3.6.2 Urutan Stimulus / Respon ... 37

3.2.3.6.3 Persyaratan Fungsional yang Berhubungan ... 38

3.2.3.7 Fitur melihat data pelatihan ... 39

3.2.3.7.1 Tujuan ... 39

3.2.3.7.2 Urutan Stimulus / Respon ... 40

3.2.3.7.3 Persyaratan Fungsional yang Berhubungan ... 40

3.3 Disain Perangkat Lunak ... 41

3.3.1 Pemodelan Perangkat Lunak ... 41

3.3.2 Disain Penyimpan Data ... 48

v

BAB IVPENGEMBANGAN PERANGKAT LUNAK ... 58

4.1 Implementasi Class/Modul ... 58

4.2 Implementasi Penyimpan Data ... 83

4.3 Implementasi Antarmuka ... 84

BAB VTESTING DAN EVALUASI SISTEM ... 86

5.1 Rencana Pengujian ... 86

5.2 Pelaksanaan Pengujian ... 87

BAB VIKESIMPULAN DAN SARAN ... 91

6.1 Kesimpulan ... 91

6.2 Saran ... 92

DAFTAR GAMBAR

Gambar 2.1 Dataset pada koordinat kartesius (kiri), Dataset dengan penanda

support vector (kanan) (Ventura, 2009) ... 6

Gambar 2.2 Dataset kelas positif dan kelas negatif yang dipisahkan dengan hyperplane (1) (Ventura, 2009) ... 7

Gambar 2.3 Dataset yang tidak dapat dipisah secara linier pada koordinat kartesius (Ventura, 2009) ... 8

Gambar 2.4 Dataset yang telah dilakukan pemetaan terhadap feature space (Ventura, 2009) ... 9

Gambar 2.5 Dataset kelas positif dan kelas negatif yang dipisahkan dengan hyperplane (2) (Ventura, 2009) ... 10

Gambar 2.6 Contoh klasifikasi dengan metode one-against-one (Krisantus, 2007) ... 16

Gambar 2.7 Pengambilan samples pada sinyal kontinyu ... 17

Gambar 2.8 Proses fft bit reversal ... 17

Gambar 2.9 Proses fft dekomposisi data (Wu, 1999) ... 18

Gambar 2.10 Proses fft komputasi dekomposisi data (Wu, 1999) ... 18

Gambar 2.11 Proses fft komputasi butterfly (Wu, 1999) ... 19

Gambar 3.1 Flowchart proses feature extraction pada jaudio ... 24

Gambar 3.2 Tampilan aplikasi jaudio ... 25

Gambar 3.3 Tampilan aplikasi dari pustaka libsvm untuk tahap pelatihan ... 26

Gambar 3.4 Tampilan aplikasi dari pustaka libsvm untuk tahap prediksi ... 26

Gambar 3.5 Use Case Diagram ... 41

Gambar 3.6 Contoh simpanan data yang menyimpan fitur-fitur ... 49

Gambar 3.7 Contoh simpanan data yang menyimpan nilai fitur ... 50

Gambar 3.8 Contoh simpanan data yang menyimpan deskripsi fitur ... 51

Gambar 3.9 Contoh simpanan data pelatihan dan pengujian ... 52

Gambar 3.10 Contoh simpanan data hasil pengujian ... 53

Gambar 3.11 Contoh simpanan data format playlist pls (kiri) & m3u (kanan)... 54

Gambar 3.12 Disain antarmuka untuk proses pelatihan... 55

vii

Gambar 3.14 Disain antarmuka untuk melihat data pelatihan ... 57

Gambar 4.1 Class Diagram aplikasi klasifikasi musik digital ... 59

Gambar 4.2 Sequence diagram untuk fitur input musik digital ... 63

Gambar 4.3 Sequence diagram untuk fitur delete musik digital ... 64

Gambar 4.4 Sequence diagram untuk fitur pelatihan tahap feature extraction ... 65

Gambar 4.5 Sequence diagram untuk fitur pelatihan tahap membaca file xml .... 67

Gambar 4.6 Sequence diagram untuk fitur pelatihan tahap pelatihan (svm) ... 69

Gambar 4.7 Sequence diagram untuk fitur klasifikasi tahap feature extraction ... 71

Gambar 4.8 Sequence diagram untuk fitur klasfikasi tahap membaca file xml.... 72

Gambar 4.9 Sequence diagram untuk fitur klasifikasi tahap klasifikasi ... 73

Gambar 4.10 Sequence diagram untuk fitur melihat data pelatihan ... 76

Gambar 4.11 Implementasi antarmuka untuk proses pelatihan ... 84

Gambar 4.12 Implementasi antarmuka untuk proses klasifikasi ... 85

DAFTAR TABEL

Tabel 2.1 Contoh 6 SVM biner dengan metode one-against-one (Krisantus, 2007)

... 16

Tabel 3.1. Use Case input musik digital untuk pelatihan ... 42

Tabel 3.2. Use Case delete musik digital untuk pelatihan ... 42

Tabel 3.3. Use Case pelatihan terhadap musik digital ... 43

Tabel 3.4. Use Case input musik digital untuk klasifikasi ... 44

Tabel 3.5. Use Case delete musik digital untuk klasifikasi... 45

Tabel 3.6. Use Case klasifikasi terhadap musik digital ... 45

Tabel 3.7. Use Case melihat data pelatihan ... 47

Tabel 3.8. Penjelasan tag untuk simpanan data yang menyimpan fitur-fitur... 49

Tabel 3.9. Penjelasan tag untuk simpanan data yang menyimpan nilai fitur ... 50

Tabel 3.10. Penjelasan tag untuk simpanan data yang menyimpan deskripsi fitur ... 51

Tabel 4.1. Deskripsi kelas ... 60

Tabel 4.2. Penjelasan method pada sequence diagram fitur input musik digital .. 63

Tabel 4.3. Penjelasan method pada sequence diagram fitur delete musik digital . 64 Tabel 4.4. Penjelasan method pada sequence diagram fitur pelatihan tahap feature extraction ... 66

Tabel 4.5. Penjelasan method pada sequence diagram fitur pelatihan tahap membaca file xml ... 68

Tabel 4.6. Penjelasan method pada sequence diagram fitur pelatihan tahap pelatihan (svm) ... 70

Tabel 4.7. Penjelasan method pada sequence diagram fitur klasifikasi tahap feature extraction ... 71

Tabel 4.8. Penjelasan method pada sequence diagram fitur klasifikasi tahap klasifikasi ... 73

Tabel 4.9. Penjelasan method pada sequence diagram fitur melihat data pelatihan ... 76

Tabel 5.1. Rencana Pengujian ... 86

ix

Tabel 5.3. Pengujian klasifikasi untuk pelatihan vs pelatihan, menggunakan 20 musik digital untuk pelatihan ... 88 Tabel 5.4. Pengujian klasifikasi untuk pelatihan vs klasifikasi, menggunakan 20 musik digital untuk pelatihan ... 89 Tabel 5.5. Pengujian klasifikasi untuk pelatihan vs pelatihan, menggunakan 48 musik digital untuk pelatihan ... 89 Tabel 5.6. Pengujian klasifikasi untuk pelatihan vs klasifikasi, menggunakan 48 musik digital untuk pelatihan ... 89

DAFTAR SIMBOL

Simbol Nama Penggunaan Keterangan

Actor

Use case Diagram, Sequence Diagram

User dari sistem atau aplikasi.

Use case Use case Diagram

Sebuah elemen

pemodelan pada UML yang menggambarkan bagaimana user dari sebuah sistem berinteraksi dengan sistem tersebut untuk melakukan suatu pekerjaan yang berbeda.

Use (Relasi) Use case Diagram

Mengindikasikan bahwa suatu elemen memerlukan elemen yang lain untuk melakukan interaksi. <<include>> Include Dependency Use case Diagram Mengindikasikan bahwa suatu elemen termasuk fungsi dari elemen target. Relasi include digunakan di pemodelan use case untuk menggambarkan bahwa suatu use case termasuk perilaku dari use case yang lain.

Class Class Diagram

Sebuah class merupakan representasi dari objek, yang menggambarkan struktur dan perilaku dalam sistem. Class memilki attribute (data) atau method (operasi).

xi

Dependency Class

Diagram

Hubungan dimana

perubahan yang terjadi pada suatu elemen mandiri (independent) akan

mempegaruhi elemen yang bergantung padanya elemen yang tidak mandiri

LifeLine Sequence

diagram

Objek, antarmuka yang saling berinteraksi.

Message

Sequence diagram

Spesifikasi dari komunikasi antar objek yang memuat informasi-informasi tentang aktifitas yang terjadi Begin / End Flowchart Memulai atau mengakhiri

flowchart. Process Flowchart

Menunjukkan terjadinya proses, seperti

pemanggilan modul Initialization Flowchart Menunjukkan proses _{input output}

Condition Flowchart

Menunjukkan proses pengecekan kondisi

BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan dunia informasi berkembang sangat pesat, sehingga seseorang dapat saling berbagi informasi dengan yang lainnya dengan mudah dan cepat melalui media informasi yang ada seperti internet, iklan, dll.

Musik merupakan salah satu sarana hiburan yang semakin digemari oleh banyak kalangan masyarakat. Dewasa ini seiring maraknya musik digital dan media pemutar musik digital, musik dapat dinikmati secara personal atau individu. Sehingga tak jarang banyak orang yang berbagi informasi mengenai musik ataupun berbagi musik yang ia gemari melalui media informasi.

Banyaknya musik digital yang tersedia pada media informasi khususnya internet, membuat banyak orang memiliki kumpulan-kumpulan musik digital yang tersimpan pada komputer, handphone, perangkat keras pemutar musik ataupun media pemutar musik lainnya yang mereka miliki.

Untuk menikmati koleksi-koleksi musik digital pada media pemutar musik tak jarang orang-orang memilih musik-musik dari koleksi tersebut, dengan tujuan untuk membuat suatu daftar beberapa musik yang akan dimainkan atau yang akan diputar. Tetapi orang-orang pun menikmati musik berdasarkan kategori atau jenis musik tertentu pada suatu koleksi berdasarkan kondisi atau aktivitas yang sedang mereka kerjakan, contohnya menikmati genre musik klasik ketika sedang melakukan kegiatan pembelajaran. Sehingga akan sulit untuk menikmati musik dengan genre musik tertentu dengan banyaknya koleksi musik digital yang mereka punya. Oleh karena itu pengkategorian musik digital ini menjadi suatu hal yang penting, dimana salah satu cara pengkategoriannya adalah dengan cara mengklasifikasikannya berdasarkan genre musik.

Terdapat beberapa metode klasifikasi yang dapat digunakan untuk pengkategorian genre musik secara otomatis. Dalam tugas akhir ini digunakan metode Support Vector Machine (SVM) sebagai metode klasifikasi pengkategorian jenis musik secara otomatis.

2

Support vector machine (SVM) telah berhasil menunjukan performanya untuk melakukan proses klasifikasi pada beberapa bidang, termasuk pengenalan pola (pattern recognition), data mining dan bioinformatika. Support vector machine (SVM) merupakan metode supervised learning yang menggunakan pasangan data input dan data output berupa sasaran yang diinginkan (proses pemetaan) pada suatu pembelajaran. (Wang, 2005)

Audio feature extraction merupakan langkah awal yang diperlukan untuk dilakukannya proses klasifikasi, pengambilan data (retrieval) dan pengidentifikasian. (Burgers, ch jo pl so., 2003)

1.2 Rumusan Masalah

Rumusan Masalah yang dikaji pada penelitian tugas akhir ini adalah sebagai berikut :

1. Bagaimana membuat aplikasi untuk melakukan pengkategorian genre musik terhadap suatu kumpulan musik digital.

2. Bagaimana menerapkan metode SVM untuk proses pengkategorian genre musik.

3. Bagaimana melakukan pembelajaran terhadap sample musik yang memiliki genre jelas menggunakan metode SVM.

4. Bagaimana melakukan audio feature extraction pada musik digital.

1.3 Tujuan Pembahasan

Tujuan dilakukannya penelitian tugas akhir ini adalah :

1. Dapat membuat aplikasi untuk melakukan pengkategorian genre musik terhadap suatu kumpulan musik digital.

2. Dapat menerapkan metode SVM untuk proses pengkategorian genre musik.

3. Dapat melakukan pembelajaran terhadap terhadap sample musik yang memiliki genre jelas menggunakan metode SVM.

3

1.4 Batasan Masalah

Ruang lingkup untuk penelitian tugas akhir ini adalah :

1. Aplikasi dibangun menggunakan bahasa pemrograman java berbasis desktop.

2. Musik digital yang dapat dilakukan proses pengkategorian menggunakan metode SVM ini berformat MP3. Aplikasi akan menggunakan library terkait penggunaan metode SVM.

3. Musik digital yang digunakan untuk proses pembelajaran menggunakan metode SVM ini berformat MP3. Sample musik yang digunakan memiliki genre Classic, Jazz, Pop dan Rock.

4. Aplikasi akan menggunakan library untuk melakukan audio feature extraction pada musik digital.

1.5 Sistematika Pembahasan

Laporan tugas akhir ini disusun menjadi enam bagian yang dikelompokkan berdasarkan bab. Penjelasan mengenai masing-masing bagian adalah sebagai berikut :

1. BAB I Pendahuluan

Bab ini menjelaskan : latar belakang, rumusan masalah, tujuan, batasan masalah dan sistematika pembahasan.

2. BAB II Landasan Teori

Bab ini menjelaskan teori-teori yang mendukung pengembangan perangkat lunak.

3. BAB III Analisis dan Disain

Bab ini menjelaskan proses analisa sistem berjalan dan teknologi yang akan digunakan serta menjelaskan perancangan model dan arsitektur perangkat lunak yang akan dikembangkan. Bab ini terdiri atas analisis, gambaran keselurhan dan disain perangkat lunak.

4

4. BAB IV Pengembangan Perangkat Lunak

Bab ini terdiri atas implementasi seluruh hasil rancangan pada bab 3, mulai dari implementasi class atau modul, simpanan data sampai dengan antarmuka.

5. BAB V Testing dan Evaluasi Sistem

Bab ini menjelaskan mengenai pengujian terhadap hasil implementasi yang telah dilakukan untuk mengetahui sejauh mana kesesuaian terhadap hasil yang diharapkan.

6. BAB VI Kesimpulan dan Saran

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Dalam pembuatan perangkat lunak atau aplikasi klasifikasi genre musik digital ini, dapat disimpulkan bahwa :

 Penerapan metode support vector machine (SVM) untuk klasifikasi jenis musik suatu musik digital dengan keluaran berupa daftar putar musik digital (playlist) telah berhasil diimplementasikan. Dalam penerapannya metode ini memiliki 2 tahap yaitu tahap pelatihan dan tahap klasifikasi (atau tahap pengujian).

 Penerapan metode support vector machine (SVM) untuk pelatihan (pembelajaran) terhadap suatu musik digital dengan jenis musik yang jelas telah berhasil diimplementasikan. Dalam melakukan pelatihan metode support vector machine (SVM), masukan musik digital dengan jenis musik yang jelas, dipisah berdasarkan jenis musiknya oleh pengguna. Proses pelatihan ini sangat menentukan atau mempengaruhi proses klasifikasi jenis musik suatu musik digital.

 Banyaknya suatu musik digital pada media informasi ditambah banyaknya campuran aliran musik seperti jazz pop, pop rock, dan sebagainya. Berdampak pada tidak mudahnya mencari suatu musik digital (sampel musik digital) yang bagus untuk digunakan sebagai masukan proses pelatihan. Sehingga hasil klasifikasi yang dihasilkan oleh aplikasi ini untuk suatu jenis musik tertentu tidak terlalu baik.

 Pengambilan fitur-fitur (feature extraction) dari suatu musik digital yang digunakan sebagai masukan untuk proses klasifikasi menggunakan metode support vector machine telah berhasil diimplementasikan.

92

6.2 Saran

Dalam proses pelatihan terhadap musik digital, diharapkan kedepannya terdapat suatu musik digital yang secara khusus digunakan untuk proses pelatihan saja (sampel musik digital suatu jenis musik tertentu) atau terdapat suatu musik digital yang bagus digunakan untuk proses pelatihan. Sehingga keluaran dari hasil klasifikasi jenis musik ini akan jauh lebih baik.

Dalam pengambilan fitur-fitur (feature extraction), untuk mendapatkan fitur-fitur dari setiap musik digital ini, membutuhkan waktu kurang lebih 30 detik per musik digitalnya. Sehingga jika pengguna melakukan proses klasifikasi terhadap jenis musik suatu musik digital dengan jumlah musik digital yang sangat banyak, maka cukup memakan waktu yang lama. Kedepannya diharapkan terdapat suatu proses atau metode untuk mengambil fitur-fitur (feature extraction) suatu musik digital yang jauh lebih cepat, sehingga proses klasifikasi terhadap jenis musik suatu musik digital ini tidak memakan waktu yang cukup lama.

Diharapkan kedepannya terdapat suatu pembobotan (nilai bobot) terhadap fitur-fitur (feature extraction). Nilai bobot tertinggi diberikan terhadap fitur yang dapat membedakan dengan jelas suatu jenis musik. Fitur yang dapat membedakan dengan jelas suatu jenis musik ini dapat diartikan sebagai, fitur pada suatu jenis musik yang memiliki rentang nilai yang tinggi terhadap fitur yang sama pada jenis musik lainnya. Pembobotan atau pemberian nilai bobot dimaksudkan agar keluaran dari hasil klasifikasi jenis musik ini akan jauh lebih baik.

DAFTAR PUSTAKA

Burgers, J.C., Christopher., John C. Platt & Soumya Jana. 2003. Distortion Discriminant Analysis for Audio Fingerprinting. Microsoft Research.

Chang, Chih-Chung., Chih-Jen Lin. 2001. LIBSVM: A Library for Support Vector Machines. Taipei : Department of Computer Science, National Taiwan University.

Christianini, Nello. 2001. Support Vector and Kernel Machines. ICML tutorial. Christianini, Nello., John S. Taylor. 2000. An Introduction to Support Vector

Machines and Other Kernel-based Learning Methods. Cambridge University Press.

E. Boser, I. Guyon, and V. Vapnik. 1992. A training algorithm for optimal margin classiers. InProceedings of the Fifth Annual Workshop on Computational Learning Theory. ACM Press.

Fan, P.-H. Chen, and C.J. Lin. 2005. Working set selection using second order information for training SVM. Journal of Machine Learning Research. Hsu, Chih-Wei., Chih-Jen Lin. 2002. AComparison of Methods for Multiclass

Support Vector Machines. IEEE Transactions on Neural Networks.

Hsu, Chih-Wei., Chih-Chung Chang & Chih-Jen Lin. 2003. A Practical Guide to Support Vector Classification. Taipei : Department of Computer Science, National Taiwan University.

Krisantus Sembiring. 2007. Tutorial SVM Bahasa Indonesia. Bandung : ITB.

Li Tao., Mitsunori Ogihara & Qi Li. 2003. A Comparative Study on Content-Based Music Genre Classification. New York : ACM.

Lin, Chih-Jen. 2005. Optimization, Support Vector Machines, and Mahine Learning. Taipei : Department of Computer Science, National Taiwan University. McEnnis, Dainel., Cory McKay., Ichiro Fujinaga., Philippe Depalle. 2005.

Jaudio: A Feature Extraction Library. McGill University.

McKay, Cory. 2005. jAudio: Towards a standardized extensible audio music feature extraction system. McGill University.

Tzanetakis, George. 2002. Musical Genre Classification of Audio Signals. IEEE Transaction on Speech and Audio Processing.

Ventura, Dan. 2009. SVM Example. Departamento Acadêmico de Informática. Wang, Lipo. 2005. Support Vector Machines: Theory and Applications. Berlin :

Springer-Verlag.

Wu, Ja-Ling. 1999. Information Theory & Data Compression. Taipei : DSP Group Of CMLab.

2

Universitas Kristen Maranatha Support vector machine (SVM) telah berhasil menunjukan performanya

untuk melakukan proses klasifikasi pada beberapa bidang, termasuk pengenalan pola (pattern recognition), data mining dan bioinformatika. Support vector

machine (SVM) merupakan metode supervised learning yang menggunakan

pasangan data input dan data output berupa sasaran yang diinginkan (proses pemetaan) pada suatu pembelajaran. (Wang, 2005)

Audio feature extraction merupakan langkah awal yang diperlukan untuk

dilakukannya proses klasifikasi, pengambilan data (retrieval) dan pengidentifikasian. (Burgers, ch jo pl so., 2003)

1.2 Rumusan Masalah

Rumusan Masalah yang dikaji pada penelitian tugas akhir ini adalah sebagai berikut :

1. Bagaimana membuat aplikasi untuk melakukan pengkategorian genre musik terhadap suatu kumpulan musik digital.

2. Bagaimana menerapkan metode SVM untuk proses pengkategorian genre musik.

3. Bagaimana melakukan pembelajaran terhadap sample musik yang memiliki genre jelas menggunakan metode SVM.

4. Bagaimana melakukan audio feature extraction pada musik digital.

1.3 Tujuan Pembahasan

Tujuan dilakukannya penelitian tugas akhir ini adalah :

1. Dapat membuat aplikasi untuk melakukan pengkategorian genre musik terhadap suatu kumpulan musik digital.

2. Dapat menerapkan metode SVM untuk proses pengkategorian genre musik.

3. Dapat melakukan pembelajaran terhadap terhadap sample musik yang memiliki genre jelas menggunakan metode SVM.

Universitas Kristen Maranatha 1.4 Batasan Masalah

Ruang lingkup untuk penelitian tugas akhir ini adalah :

1. Aplikasi dibangun menggunakan bahasa pemrograman java berbasis

desktop.

2. Musik digital yang dapat dilakukan proses pengkategorian menggunakan metode SVM ini berformat MP3. Aplikasi akan menggunakan library terkait penggunaan metode SVM.

3. Musik digital yang digunakan untuk proses pembelajaran menggunakan metode SVM ini berformat MP3. Sample musik yang digunakan memiliki

genre Classic, Jazz, Pop dan Rock.

4. Aplikasi akan menggunakan library untuk melakukan audio feature

extraction pada musik digital.

1.5 Sistematika Pembahasan

Laporan tugas akhir ini disusun menjadi enam bagian yang dikelompokkan berdasarkan bab. Penjelasan mengenai masing-masing bagian adalah sebagai berikut :

1. BAB I Pendahuluan

Bab ini menjelaskan : latar belakang, rumusan masalah, tujuan, batasan masalah dan sistematika pembahasan.

2. BAB II Landasan Teori

Bab ini menjelaskan teori-teori yang mendukung pengembangan perangkat lunak.

3. BAB III Analisis dan Disain

Bab ini menjelaskan proses analisa sistem berjalan dan teknologi yang akan digunakan serta menjelaskan perancangan model dan arsitektur perangkat lunak yang akan dikembangkan. Bab ini terdiri atas analisis, gambaran keselurhan dan disain perangkat lunak.

4

Universitas Kristen Maranatha

4. BAB IV Pengembangan Perangkat Lunak

Bab ini terdiri atas implementasi seluruh hasil rancangan pada bab 3, mulai dari implementasi class atau modul, simpanan data sampai dengan antarmuka.

5. BAB V Testing dan Evaluasi Sistem

Bab ini menjelaskan mengenai pengujian terhadap hasil implementasi yang telah dilakukan untuk mengetahui sejauh mana kesesuaian terhadap hasil yang diharapkan.

6. BAB VI Kesimpulan dan Saran

91

Universitas Kristen Maranatha 6.1 Kesimpulan

Dalam pembuatan perangkat lunak atau aplikasi klasifikasi genre musik digital ini, dapat disimpulkan bahwa :

 Penerapan metode support vector machine (SVM) untuk klasifikasi jenis musik suatu musik digital dengan keluaran berupa daftar putar musik digital (playlist) telah berhasil diimplementasikan. Dalam penerapannya metode ini memiliki 2 tahap yaitu tahap pelatihan dan tahap klasifikasi (atau tahap pengujian).

 Penerapan metode support vector machine (SVM) untuk pelatihan (pembelajaran) terhadap suatu musik digital dengan jenis musik yang jelas telah berhasil diimplementasikan. Dalam melakukan pelatihan metode

support vector machine (SVM), masukan musik digital dengan jenis musik

yang jelas, dipisah berdasarkan jenis musiknya oleh pengguna. Proses pelatihan ini sangat menentukan atau mempengaruhi proses klasifikasi jenis musik suatu musik digital.

 Banyaknya suatu musik digital pada media informasi ditambah banyaknya campuran aliran musik seperti jazz pop, pop rock, dan sebagainya. Berdampak pada tidak mudahnya mencari suatu musik digital (sampel musik digital) yang bagus untuk digunakan sebagai masukan proses pelatihan. Sehingga hasil klasifikasi yang dihasilkan oleh aplikasi ini untuk suatu jenis musik tertentu tidak terlalu baik.

 Pengambilan fitur-fitur (feature extraction) dari suatu musik digital yang digunakan sebagai masukan untuk proses klasifikasi menggunakan metode

92

Universitas Kristen Maranatha 6.2 Saran

Dalam proses pelatihan terhadap musik digital, diharapkan kedepannya terdapat suatu musik digital yang secara khusus digunakan untuk proses pelatihan saja (sampel musik digital suatu jenis musik tertentu) atau terdapat suatu musik digital yang bagus digunakan untuk proses pelatihan. Sehingga keluaran dari hasil klasifikasi jenis musik ini akan jauh lebih baik.

Dalam pengambilan fitur-fitur (feature extraction), untuk mendapatkan fitur-fitur dari setiap musik digital ini, membutuhkan waktu kurang lebih 30 detik per musik digitalnya. Sehingga jika pengguna melakukan proses klasifikasi terhadap jenis musik suatu musik digital dengan jumlah musik digital yang sangat banyak, maka cukup memakan waktu yang lama. Kedepannya diharapkan terdapat suatu proses atau metode untuk mengambil fitur-fitur (feature extraction) suatu musik digital yang jauh lebih cepat, sehingga proses klasifikasi terhadap jenis musik suatu musik digital ini tidak memakan waktu yang cukup lama.

Diharapkan kedepannya terdapat suatu pembobotan (nilai bobot) terhadap fitur-fitur (feature extraction). Nilai bobot tertinggi diberikan terhadap fitur yang dapat membedakan dengan jelas suatu jenis musik. Fitur yang dapat membedakan dengan jelas suatu jenis musik ini dapat diartikan sebagai, fitur pada suatu jenis musik yang memiliki rentang nilai yang tinggi terhadap fitur yang sama pada jenis musik lainnya. Pembobotan atau pemberian nilai bobot dimaksudkan agar keluaran dari hasil klasifikasi jenis musik ini akan jauh lebih baik.

93

Universitas Kristen Maranatha

Burgers, J.C., Christopher., John C. Platt & Soumya Jana. 2003. Distortion

Discriminant Analysis for Audio Fingerprinting. Microsoft Research.

Chang, Chih-Chung., Chih-Jen Lin. 2001. LIBSVM: A Library for Support Vector

Machines. Taipei : Department of Computer Science, National Taiwan

University.

Christianini, Nello. 2001. Support Vector and Kernel Machines. ICML tutorial.

Christianini, Nello., John S. Taylor. 2000. An Introduction to Support Vector

Machines and Other Kernel-based Learning Methods. Cambridge

University Press.

E. Boser, I. Guyon, and V. Vapnik. 1992. A training algorithm for optimal margin

classiers. InProceedings of the Fifth Annual Workshop on Computational Learning Theory. ACM Press.

Fan, P.-H. Chen, and C.J. Lin. 2005. Working set selection using second order

information for training SVM. Journal of Machine Learning Research.

Hsu, Chih-Wei., Chih-Jen Lin. 2002. AComparison of Methods for Multiclass

Support Vector Machines. IEEE Transactions on Neural Networks.

Hsu, Chih-Wei., Chih-Chung Chang & Chih-Jen Lin. 2003. A Practical Guide to

Support Vector Classification. Taipei : Department of Computer Science,

National Taiwan University.

Krisantus Sembiring. 2007. Tutorial SVM Bahasa Indonesia. Bandung : ITB.

Li Tao., Mitsunori Ogihara & Qi Li. 2003. A Comparative Study on Content-Based Music Genre Classification. New York : ACM.

Lin, Chih-Jen. 2005. Optimization, Support Vector Machines, and Mahine Learning.

Taipei : Department of Computer Science, National Taiwan University. McEnnis, Dainel., Cory McKay., Ichiro Fujinaga., Philippe Depalle. 2005.

Jaudio: A Feature Extraction Library. McGill University.

McKay, Cory. 2005. jAudio: Towards a standardized extensible audio music

feature extraction system. McGill University.

Tzanetakis, George. 2002. Musical Genre Classification of Audio Signals. IEEE Transaction on Speech and Audio Processing.

Ventura, Dan. 2009. SVM Example. Departamento Acadêmico de Informática. Wang, Lipo. 2005. Support Vector Machines: Theory and Applications. Berlin :

Springer-Verlag.

Wu, Ja-Ling. 1999. Information Theory & Data Compression. Taipei : DSP Group Of CMLab.